并非所有退化都相同：面向通用图像超分辨率的面向目标的特征去噪框架
计算机视觉与模式识别
2025-09-19 v1 人工智能
摘要
通用图像超分辨率旨在提升模型在未知退化条件下的泛化能力。为此，模型需要仅关注图像内容相关的特征，而非对退化模式进行过拟合。最近提出了大量方法，如Dropout和特征对齐，以抑制模型对退化模式的自然过拟合倾向并取得良好结果。然而，这些方法都假设模型会对所有退化类型（如模糊、噪声、JPEG）进行过拟合。通过仔细的调查研究，我们发现模型主要过拟合于噪声，这主要归因于其与其他退化类型不同的退化模式。在本文中，我们提出一种面向目标的特征去噪框架，包括噪声检测和去噪模块。我们的方案是一个通用解决方案，可无需架构修改地无缝集成到现有的超分辨率模型中。我们的框架在包含合成和真实场景的五个传统基准和数据集上显示出优于以往基于正则化的方法的优异性能。
引用
@article{arxiv.2509.14841,
title = {Not All Degradations Are Equal: A Targeted Feature Denoising Framework for Generalizable Image Super-Resolution},
author = {Hongjun Wang and Jiyuan Chen and Zhengwei Yin and Xuan Song and Yinqiang Zheng},
journal= {arXiv preprint arXiv:2509.14841},
year = {2025}
}